Ciência de Dados Aplicada a Saúde

• Programar em Python, utilizando suas estruturas de controle e dados para manipulação e análise eficazes;

• Aplicar bibliotecas de Python para manipulação, visualização de dados e vetorização de matrizes;

• Desenvolver soluções de análise de dados, aproveitando as funcionalidades avançadas de Python para ciência de dados.

• Aplicar diferentes técnicas e tipos de amostragem em projetos de pesquisa;

• Desenvolver modelos de regressão linear simples e múltipla para análise preditiva;

• Utilizar modelos lineares generalizados para análise de dados;

• Executar análises de diagnóstico e validação de modelos de regressão.

• Analisar e modelar séries temporais estacionárias e não estacionárias;

• Modelar e prever séries temporais utilizando modelos ARMA, ARIMA, e SARIMA;

• Ajustar modelos de séries temporais não estacionárias por meio de transformações adequadas;

• Avaliar estacionariedade em séries temporais;

• Aplicar métodos de decomposição de séries temporais;

• Utilizar modelos de tendência determinística e estocástica;

• Aplicar métodos de médias móveis e alisamento exponencial;

• Modelar séries temporais estacionárias e não estacionárias.

• Programar em Python, utilizando suas estruturas de controle e dados para manipulação e análise eficazes;

• Aplicar bibliotecas de Python para manipulação, visualização de dados e vetorização de matrizes;

• Desenvolver soluções de análise de dados, aproveitando as funcionalidades avançadas de Python para ciência de dados.

• Realizar processos de limpeza, transformação e enriquecimento de dados;

• Executar processos ETL/ELT e integrar dados em ambientes de Data Lake;

• Utilizar ferramentas específicas para projetar e desenvolver aplicações de preparação e integração de dados;

• Implementar pipelines de ETL e ELT;

• Projetar e desenvolver soluções de integração de dados.

• Realizar analisar exploratória de dados;

• Conhecer os diferentes tipos de dados (estruturados, semiestruturados, não estruturados);

• Identificar e coletar dados relevantes de diversas fontes;

• Aplicar técnicas de visualização de dados para comunicar insights de forma clara e concisa;

• Utilizar ferramentas de Data Discovery e Self-Service Analytics para realizar análises exploratórias de dados de forma autônoma;

• Usar modelos de machine learning para aplicar em análise preditiva e prescritiva.

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender o processo de aprendizagem de máquina no contexto da saúde;

• Realizar feature engineering para dados de saúde;

• Aplicar técnicas de aprendizado supervisionado e não-supervisionado;

• Implementar e combinar modelos de machine learning para análises robustas;

• Avaliar e interpretar métricas de desempenho de modelos.

• Entender os fundamentos de redes neurais artificiais;

• Compreender arquiteturas de aprendizagem profunda;

• Aplicar redes convolucionais e deep learning em problemas de saúde;

• Analisar desafios éticos da aprendizagem profunda na saúde;

• Implementar soluções de deep learning para diagnósticos e análises em saúde.

• Compreender modalidades e características de imagens biomédicas;

• Aplicar técnicas de processamento de imagens biomédicas;

• Implementar modelos de machine learning para classificação e segmentação de imagens;

• Realizar análise e reconstrução de imagens 3D;

• Avaliar e aplicar modelos de fusão de dados e análise multimodal em projetos práticos;

• Avaliar métricas de análise de imagens biomédicas;

• Desenvolver projetos práticos em análise de imagens biomédicas.

• Compreender as técnicas de pré-processamento de texto em dados clínicos;

• Realizar pré-processamento de texto em registros de saúde;

• Aplicar técnicas de representação vetorial de texto;

• Implementar reconhecimento de entidades e relações médicas;

• Realizar análise de sentimento em contexto clínico;

• Desenvolver aplicações práticas de PLN em saúde.

• Compreender fundamentos do método epidemiológico;

• Analisar bases de dados públicas em saúde;

• Calcular e interpretar indicadores epidemiológicos;

• Avaliar validade e confiabilidade de testes diagnósticos;

• Realizar estimativas de sobrevivência e prognóstico;

• Delinear estudos epidemiológicos;

• Estimar riscos e medidas de associação.

• Analisar e contextualizar a importância da governança de dados no ambiente corporativo;

• Analisar criticamente situações e problemas;

• Desenvolver e implementar frameworks de governança de dados alinhados aos objetivos organizacionais;

• Criar e aplicar políticas, padrões e procedimentos específicos de governança de dados;

• Garantir a qualidade, segurança e confiabilidade dos dados;

• Realizar avaliações de conformidade (compliance) e de risco (risk assessment) em relação à governança de dados;

• Integrar conceitos de governança de dados com as exigências legais de proteção de dados;

• Adaptar e inovar em práticas de governança de dados considerando a ética, agilidade e gerência de mudanças;

• Comunicar-se de forma eficaz, trabalhar em equipe e adaptar-se a novas situações e desafios de GD.

• Compreender o sistema de saúde brasileiro e seus principais atores;

• Entender conceitos de saúde digital e novas tecnologias;

• Aplicar ciência de dados e analytics em saúde;

• Liderar equipes multidisciplinares em análise de dados de saúde;

• Implementar práticas de compliance e proteção de dados na saúde;

• Analisar tendências emergentes na área da saúde.

• Aplicar ferramentas de ciência de dados na auditoria em saúde;

• Aplicar machine learning para detecção de fraudes e análise de compliance;

• Analisar e autorizar procedimentos médicos usando advanced analytics e GenAI;

• Construir indicadores clínicos e de gestão em saúde;

• Analisar estudos de caso em regulação e auditoria em saúde.

• Compreender conceitos básicos de economia da saúde;

• Analisar modelos de financiamento e gastos em saúde;

• Aplicar modelos de avaliação econômica em saúde;

• Desenvolver modelos para simular intervenções e estimar custos/efeitos;

• Utilizar métodos estatísticos, econométricos e de machine learning em análise de dados em saúde;

• Tomar decisões baseadas em evidências econômicas e análise de dados;

• Analisar políticas de saúde e alocação de recursos;

• Desenvolver projetos práticos em economia da saúde.

• Refletir sobre o papel da ética e da espiritualidade no contexto científico e tecnológico;

• Avaliar os impactos sociais e humanistas do uso de dados e tecnologia;

• Desenvolver uma ética profissional sólida em ambientes de trabalho colaborativos e tecnológicos.

• Estatística geral - teoria e aplicações 

• Data Discovery e Analytics  

• Governança de Dados 

• Python para Ciência de Dados

• Preparação e Integração de Dados

• Técnicas de Amostragem e Modelos de Regressão

• Séries Temporais  

• Machine Learning Aplicada à Saúde  

• Redes Neurais e Deep Learning Aplicada à Saúde  

• Processamento e Análise de Imagens Biomédicas

• Processamento de Linguagem Natural em Registros de Saúde

• Ciência de Dados em Epidemiologia

• Gestão e Compliance em Saúde

• Ciência de Dados na Regulação e Auditoria em Saúde

• Economia da Saúde e Avaliação Econômica 

• Humanidades*